改進陰性選擇算法的風機振動故障診斷方法

鄔春明　銀海燕

東北電力大學,吉林,132012

改進陰性選擇算法的風機振動故障診斷方法

鄔春明銀海燕

東北電力大學,吉林,132012

摘要：為了正確、快速地判斷風電機組振動故障類型,減小其對發電效率及人身財產安全的影響，提出了一種改進型陰性選擇算法。在傳統的陰性選擇算法中引入馬氏距離進行振動數據的初步篩選，并將算法應用于風電機組振動故障的預測。研究結果表明,改進的陰性選擇算法可以更為快速、準確地判斷風電機組振動的故障類型，診斷正確率達到97.5%,從而提高了風電機組運行的可靠性和發電效率。

關鍵詞:馬氏距離;陰性選擇;風電機組;故障診斷

0引言

風電機組的振動故障不但降低了風電機的發電效率而且影響其自身的安全運行,甚至可能造成財產損失,殃及人身安全,因此,配置實時的風電機組振動故障檢測預警系統是科研人員不斷研究開發的重要課題。

國外的故障檢測技術起初用于航空航天系統的故障監測預警、數據預測和故障類型診斷等方面，然后逐漸擴散到各領域的機組設備上[1]。我國風電機組振動故障在線監測技術還處于起步階段，主要是在吸收一些國外先進技術的基礎上逐漸發展起來的，其中較先進的算法是人工免疫算法。算法中的陰性選擇機理擁有超強的記憶與學習能力，具有訓練時間短、所需故障樣本少、對故障感應能力強等優點，受到國內外研究人員的關注。本文通過建立改進的陰性選擇算法數學模型,來提高風電機組振動故障檢測的準確性，大大縮短了算法的運算時間，有效提高了風電機組的可靠性和發電效率。

1陰性選擇算法

陰性選擇算法[2]作為人工免疫系統的重要分支之一,由Forrest等首次提出,通過模擬淋巴細胞的產生過程生成檢測器,用于區分“自我/非我”，并成功應用于異常檢測系統。信息安全領域的眾多問題(如病毒檢測、入侵檢測等)可轉化為免疫系統中區分自我和非我的過程[3]。

1.1問題定義

定義1:機組正常工作的監測數據稱為自我空間,記為S。

定義2:機組故障的監測數據稱為故障類型空間,記為M。M=(M1,M2,…,Mn),Mi(i=1,2,…,n)為第i類故障類型，n為已知故障類型個數。

定義3：表示機組故障類型的待測數據稱為非己向量，記為N。

定義4：將非己向量N按故障類型的獨有特征和共有特征劃分，即N=N1∪N2∪…∪Nn∪N0。其中N0為兩個或兩個以上故障類型公共特征向量,Ni(i=1,2,…,n)為第i類故障類型的特有空間。

1.2算法概述

陰性選擇算法可以概括為以下幾步[4]:

(1)產生與自我向量S不相配的檢測器向量R，使檢測器向量R檢測不到自我向量，只能檢測非己向量的特征。

(3)用優化后的檢測器向量R′來監測自我向量S，如檢測器向量與自我向量匹配,則認為S發生改變。

(4)監測檢測器對應R′中的故障類型,可以診斷設備存在哪種故障。

2陰性選擇算法的改進

2.1馬氏距離算法

馬氏距離算法引入了待測樣本間的協方差,以測試兩組待測數據相匹配的程度。該算法考慮數據樣本的特征關系更為全面，尤其對于具有測試數據丟失類型的判別，能夠得到較為切合實際的推斷結果,是一種很好的多元、非線性、多特征屬性的綜合評價方法[5]。

d2(Y,M′)=(Y-μ)TR(Y-μ)

(1)

(2)

2.2免疫系統中的親和度

在免疫系統中，抗原-抗體相互結合程度由它們的親和度(也稱親和力)來衡量,即測試數據與歷史數據的親密程度,從而來判斷待測數據是何種故障類型[6]。由此故障模式檢測器R′與待測故障樣本Y之間的匹配程度，即親和度aij為

(3)

式中,ai j為介于0和1之間常數,ai j越大,Y與M′越匹配。

2.3算法改進的步驟

(1)根據故障診斷案例向量確定測量的范圍[7]。

(2)將歷史正常數據定義為自我向量S,將歷史故障數據定義為非己串N。

(3)在自我空間檢測產生候選檢測器R,在歷史故障空間訓練產生優秀故障模式檢測器R′。

(4)產生待測數據串即抗體向量Y。

(5)給定常數n,當待測數據d2(Y,M′)>n時,證明有故障產生,執行步驟(6)。否則，證明沒有故障產生，將數據轉入步驟(2)的自我向量S。

(6)判斷抗體數目是否達到預設值。如果是，則執行步驟(7)；如果不是，則跳轉到步驟(5)。

(7)將訓練好的優秀檢測器R′與步驟(6)中輸出的數據按照陰性選擇機制來監測，當親和度ai j在某類故障范圍內時，則認為S已發生變化，說明待測數據與檢測器M中的某種故障類型相匹配，這樣就可以判斷機組產生了何種故障類型。

3實驗驗證與仿真分析

3.1標準與實驗條件

按照德國工程師協會發布的《VDI3834風電標準》[8]以及國家能源局發布的《風力發電機組振動狀態監測導則》[9],風力發電機特定運行條件、風力強度和流動方向的變化，以及可能發生的海浪排擠海上風機引起額外激勵，導致持續變化的振動激勵，其結果是測量值的短暫變動，并有頻繁的振幅跳躍，因此，將測量值在特定時間段內取平均值生成特征參數，以平衡波動，對于風力發電機來說是絕對必要的。高溫或強磁場環境振動狀態監測應優先選擇加速度傳感器，風電機組滾動軸承和齒輪箱的狀態監測應選擇加速度傳感器。可接受的測量應在垂直徑向、徑向水平和軸向，并需要20%的最低負荷。

本文選用某風電場運行3年的一臺GE77-1500型正常機組和一臺同型號的故障機組進行實驗。主要采用AC102低速加速度傳感器和AC135高速加速度傳感器來采集正常運行工況下齒輪箱和發電機相關部位的加速度數據。將采集到的數據首先用小波軟閾值去噪方法進行去噪處理，低速加速度傳感器測得的數據每10min取一次平均值，高速加速度傳感器每1min取一次平均值。然后將均值數據按下式進行歸一化處理,即

(4)

3.2實驗仿真及結果分析

首先,選取處理后的10組故障數據與5組正常數據進行訓練，如表1～表3所示。表中,m1、m2、m3為齒輪箱輸入垂直、水平、軸向加速度；m4、m5為齒輪箱內齒圈垂直、水平加速度;m6、m7為齒輪箱低速軸垂直、水平加速度;m8、m9、m10為齒輪箱中間軸垂直、水平、軸向加速度；m11、m12為齒輪箱高速軸垂直、水平加速度；m13、m14、m15為發電機驅動端垂直、水平、軸向加速度;m16、m17為發電機非驅動端垂直、水平加速度。

表1　齒輪箱中間軸故障樣本

表2　發電機軸承故障樣本

表3　正常數據樣本

其次，隨機選擇1000組歸一化的正常數據與17階零矩陣進行馬氏距離計算，計算結果如圖1所示。圖1中測量正常范圍馬氏距離閾值n=1.9130。當n<1.9130時為正常數據,當n>1.9130時為故障數據。通過馬氏距離計算可以排除大量的正常數據，僅對少量故障數據進行分類。

將6組測試數據進行歸一化處理，如表4所示。其中,*代表正常數據;1代表齒輪箱中間軸故障數據; 2代表發電機軸承故障數據。利用親和度進行故障分類判斷，其中包括故障一數據兩組(標注“1”)、故障二數據兩組(標注“2”)、正常數據兩組(標注“3”)，判斷結果如表5所示。

圖1　1000組正常數據的馬氏距離

表4　測試數據

表5　故障診斷結果

圖2　故障數據親和度

故障數據親和度如圖2所示。故障數據親和度在[0,0.4]與[0.6,0.7]范圍內,故障點明顯聚集在一起,能夠清楚地分辨出兩種故障類型。在親和度大約等于0.5處有一個點沒有被識別出,可計算出故障診斷的正確率為39/40=97.5%。與文獻[6]中采用引入“疫苗”的人工免疫算法相比,正確率提高了2.5%。

最后,通過選取500組、1000組、2000組包含故障的數據進行實驗,BP神經網絡算法及本文所提算法改進前后所用時間的對比如圖3所示。由圖3可知,BP神經網絡算法所用時間分別為0.582s、1.158s、1.716s;改進前的陰性選擇算法所用時間分別為0.562s、1.124s、1.686s，改進后陰性選擇算法所用時間分別為0.136s、0.345s、0.621s。通過對比可知,改進后的算法與改進前的算法及傳統的BP神經網絡算法相比節約了大量時間，而且數據量越大，結果越明顯。

圖3　三種算法所用時間對比

4結語

在風電機組振動故障診斷中，機組大部分的時間都是處于正常運行狀態，所以加入馬氏距離進行初步的篩選就顯得尤為必要，同時用兩種算法進行故障診斷也提高了診斷精度。將加入了馬氏距離的陰性選擇算法應用于風電機組振動故障診斷中，不僅提高了故障診斷的準確率，而且還節約了大量的時間，數據量越大，算法的優越性就越明顯。

參考文獻:

[1]劉文藝.風電機組振動監測與故障診斷研究[D].重慶：重慶大學，2010.

[2]劉忠,周建中,張勇傳,等.基于免疫原理的水電機組故障診斷方法[J].水力發電,2007,33(3):54-56.

LiuZhong,ZhouJianzhong,ZhangYongchuan,etal.FaultDiagnosisMethodofHydro-generatingUnitBasedonIimmunologyPrinciples[J].WaterPower,2007,33(3):54-56.

[3]蘆天亮,鄭康鋒,傅蓉蓉,等.基于陰性選擇算法的異常檢測系統黑洞覆蓋優化[J].通信學報，2013,34(1):128-135.

LuTianliang,ZhengKangfeng,FuRongrong,etal.AnomalyDetectionSystemwithHoleCoverageOptimizationBasedonNegativeSelectionAlgorithm[J].JournalofCommunications,2013,34(1):128-135.

[4]張清華.基于人工免疫系統的機組故障診斷技術研究[D].廣州：華南理工大學,2004.

[5]馮翔.基于馬氏距離算法的配電網故障定位系統研究[J].水電能源科學,2012,30(9):165-167.

FengXiang.StudyonDistributionNetworkFaultLocationSystemBasedonMahalanobisDistanceAlgorithm[J].WaterResourcesandPower,2012,30(9):165-167.

[6]韓中合,王峰,郝曉冬.基于人工免疫算法的機組振動故障診斷方法[J].華北電力大學學報,2010,37(5):38-42.

HanZhonghe,WangFeng,HaoXiaodong.FaultDiagnosisofTurbineVibrationBasedonArtificialImmuneAlgorithm[J].JournalofNorthChinaElectricPowerUniversity,2010,37(5):38-42.

[7]徐克虎,黃大山,王天召.改進的人工免疫算法求解武器目標分配問題[J].系統工程與電子技術，2013,35(10):2121-2126.

XuKehu,HuangDashan,WangTianzhao.ImprovedArtificialImmuneAlgorithmforSolvingWeapon-targetAssignmentProblems[J].SystemEngineeringandElectronics,2013,35(10):2121-2126.

[8]TheAssociationofGermanEngineers.VDI3834Part1.MeasurementandEvaluationoftheMechanicalVibrationofWindTurbineandTheirComponents[S].Berlin:VerlagDesVereinsDeutscherIngenieurePublications,2009．

[9]國家能源局.NB/T31004-2011.風力發電機組振動狀態監測導則[S].北京:中國電力出版社，2011.

(編輯王艷麗)

FaultDiagnosisMethodforWindTurbineVibrationBasedonImprovedNegativeSelectionAlgorithm

WuChunmingYinHaiyan

NortheastDianliUniversity,Jilin,Jilin,132012

Abstract:In order to correctly judge wind turbine vibration fault types,reduce its impacts on power generation efficiency and personal property safety,this paper proposed an improved algorithm.In the traditional negative selection algorithm Mahalanobis distance was introduced for preliminary screening of vibration data,and the prediction algorithm was applied to the wind turbine vibration faults.At the same time with the two algorithms the diagnostic accuracy of fault diagnosis was improved.Studies show that the improved negative selection algorithm can be more quickly and accurately determine the fault type units and the diagnostic accuracy of 97.5% are achieved.And it can improve the wind turbine operation reliability and power efficiency.

Key words:Mahalanobis distance;negative selection;wind turbine;fault diagnosis

收稿日期：2015-02-09

基金項目：國家自然科學基金資助項目(61301257)；吉林省科技發展計劃資助項目(2013020605GX)；吉林省教育廳“十二五”科學技術研究項目(吉教科合字[2015]第250號)

中圖分類號:TP181;TP391

DOI：10.3969/j.issn.1004-132X.2016.04.010

作者簡介：鄔春明，男，1966年生。東北電力大學信息工程學院教授。主要研究方向為智能電網信息技術、故障診斷技術。銀海燕,女,1989年生。東北電力大學信息工程學院碩士研究生。